پديد آورندگان :
خجسته كي، مهدي سازمان تحقيقات، آموزش و ترويج كشاورزي، قم - بخش تحقيقات علوم دامي - مركز تحقيقات و آموزش كشاورزي و منابع طبيعي استان قم , جعفري اروري، عليرضا سازمان تحقيقات، آموزش و ترويج كشاورزي، قم - بخش تحقيقات علوم دامي - مركز تحقيقات و آموزش كشاورزي و منابع طبيعي استان قم , يگانه پرست، محمد سازمان تحقيقات، آموزش و ترويج كشاورزي، قم - بخش تحقيقات علوم دامي - مركز تحقيقات و آموزش كشاورزي و منابع طبيعي استان قم , خاكي، محمد سازمان تحقيقات، آموزش و ترويج كشاورزي، يزد - بخش تحقيقات علوم دامي - مركز تحقيقات و آموزش كشاورزي و منابع طبيعي استان يزد , اسدزاده، نادر سازمان تحقيقات، آموزش و ترويج كشاورزي، كرج - موسسه تحقيقات علوم دامي كشور
كليدواژه :
شتر يك كوهانه , بيومتري , پردازش تصوير , شبكه عصبي مصنوعي , زيست سنجي
چكيده فارسي :
سابقه و هدف : سنجش ابعاد بدن در دام‌هاي اهلي براي اندازه‌گيري ويژگي‌هايي نظير وزن، ارزيابي تيپ و نمره بدني حيوان استفاده مي شود. در دام‌هاي اهلي مهمترين اندازه هاي خطي بدن شامل ارتفاع شانه، دور سينه، عمق سينه، طول بدن، استخوان پيشاني، ارتفاع كپل، فاصله بين چشم ها، طول گوش، عرض گوش و طول دم است. اغلب اين اندازه‌ها با وزن زنده و برخي صفات توليدي دام‌هاي اهلي ارتباط دارد. به عنوان مثال نتايج بسياري از مطالعات نشان مي‌دهد كه دور سينه، طول بدن، عرض لگن و ارتفاع شانه مناسب‌ترين و مطمئن‌ترين ويژگي‌ها براي تخمين وزن زنده دام است. در مطالعات اخير از ويژگي‌هاي تصاوير ديجيتال در شرايط خاص براي تخمين اندازه هاي بدني دام‌هاي اهلي استفاده شده است. مبناي عمل اين اندازه‌گيري ها استفاده از فن آوري يادگيري ماشين است و در حال حاضر در مورد برخي دام‌ها نظير گاوهاي شيري آزمايش شده است، لذا اين تحقيق با هدف بررسي امكان استفاده از فن آوري ماشين بينايي به منظور تخمين ابعاد بدن شترهاي يك كوهانه انجام شد.
مواد و روش ها : اين تحقيق در سال 1395 تا 1396 روي شترهاي يك كوهانه در يكي از گله هاي پرورش شتر در استان قم انجام شد. گله مورد مطالعه شامل 9 نفر شتر ماده بالغ يك شتر لوك بالغ و 11 نفر بچه شتر 2 تا 12 ماهه بود كه در ماه هاي بعد و با شروع زايش ها تعداد 5 بچه شتر نوزاد در گله متولد شد. ابعاد بدن بچه شترهاي موجود در گله و شترهاي بالغ هر ماه يك مرتبه ثبت شد و همزمان تصاوير ديجيتال از فاصله ثابت (2 متري) از هر يك از شترها تهيه گرديد. بطور كلي در اين مطالعه در مجموع 203 ركورد از شترهاي موجود در سنين مختلف اندازه‌گيري شد. هر عكس ابتدا به رايانه منتقل شد و سپس برخي ويرايش هاي لازم جهت بهتر شدن كيفيت عكس انجام شد. برخي خصوصيات عددي هر تصوير با استفاده از توابع تعريف شده در محيط گرافيكي نرم‌افزار متلب استحصال شد و در نهايت تعداد 22 خصوصيت مختلف از خصوصيات شكل‌شناسي از تصاوير شترها استخراج گرديد. خصوصياتي كه با صفات زيست سنجي شتر ارتباط بيشتري داشتند، با استفاده از ضريب همبستگي پيرسون انتخاب شدند. داده كاوي اطلاعات با هدف كشف ارتباط رياضي بين خصوصيات استخراج شده حاصل از يك تصوير با خصوصيات مرتبط با ابعاد بدن شترها با استفاده از ابزار شبكه عصبي مصنوعي نرم-افزار متلب انجام شد. براي تخمين ابعاد بدن شترها از ابزار "تخمين مقادير" نرم‌افزار متلب استفاده شد. شبكه عصبي پيش بيني شده از نوع "شبكه عصبي پيش خور" بود كه با الگوريتم "پس انتشار خطا" آموزش داده شد.
يافته ها : ويژگي‌هاي قطر معادل، طول محور اصلي، طول محور فرعي، جعبه محاطي، مساحت قسمت محدب، مساحت ناحيه پرشده، محيط تصوير، مساحت تصوير و تعداد نقاط سفيد تصوير با ابعاد بدني شترها همبستگي بالا و معني‌داري داشته (05/0P<) و به عنوان ويژگي‌هاي مؤثر در طراحي شبكه عصبي مورد استفاده قرار گرفتند. دقت مدل‌ها در تخمين ابعاد بدن از روي تصاوير ديجيتال با استفاده از شبكه عصبي مصنوعي و پردازش تصوير براي طول بدن، ارتفاع شانه و ارتفاع كپل به ترتيب 0/98، 0/96 و 0/96 برآورد شد.
نتيجه گيري : استفاده از پردازش تصوير و شبكه عصبي مصنوعي يا ساير ابزارهاي داده كاوي مي تواند به عنوان يك جايگزين مناسب و دقيقي براي ارزيابي‌هاي انساني باشد و به صرفه جويي در وقت و هزينه هاي مربوط به زيست سنجي دام‌هاي بزرگ بويژه شتر كمك كند.
چكيده لاتين :
Background and Objectives: Measuring the body dimensions in livestock is usually useful to predict the weight, grade and body score of animals. The shoulder height, chest circumference, chest depth, body length, forehead bone size, rump height, distance between eyes, ear length, and tail length are the most important body linear measurements in the livestock. Most of these dimensions are related to the live weight and some important traits of domestic animals. For example, the results of many studies indicated that the chest circumference, body length, pelvic width and shoulder height are the most appropriate and reliable parameters for estimating live weight of the animals. In recent studies, features of digital images have been used, in certain circumstances, to estimate body dimensions of domestic animals. The base of these measurements is the machine learning technology, and currently was tested on some livestock, such as dairy cattle. Therefore, this research was conducted to investigate the possibility of using machine vision technology in order to estimate body dimensions of one-humped camel.
Materials and methods: This research was conducted on one-humped camel in a privative camel breeding herd at Qom province. The studied herd originally consisted of 9 adult mature camels, one an adult luck and 11 pedigree camels from 2 to 12 months old of age. In the following months, five baby camels were born in the herd. The body dimensions of all camels were monthly recorded, and in the same time, digital images were captured from camels regarding a constant distance (2 meters). In this study, a total of 203 biometric records of camels at different ages were measured.
Each photo was first transferred to a computer, and some edits were made to improve it's quality. Twenty two morphological features from each image were extracted using defined functions of graphical user interface of MATLAB. The characteristics that were more relevant to the biometric measurement of camels were selected using Pearson correlation coefficient by SPSS software. The data mining process with the aim of discovering mathematical relationship between extracted features of digital images and body dimensions of camels was done using a feed forward neural network which was trained by the "back propagation algorithm" in MATLAB software.
Results: Some extracted features including equivalent diameter, major axis length, minor axis length, bounding box, convex area, filled area, area ,perimeter and the number of non zero points in digital images had high and significant correlation (P<0.01) with body dimensions of camels. These features were used as effective input to design the artificial neural network. Accuracy of the artificial neural network models to estimate body length, shoulder height, and hip height of one-humped camels were 0.98, 0.96 and 0.96, respectively.
Conclusion: The use of image processing and artificial neural network or other data mining tools can be considered as an appropriate and accurate alternative to human assessments, and help to save the time and expense associated with the biometry of large livestock, especially camels.
